Deep Belief Nets in C++ and Cuda C: Volume 2: Autoencoding in the Complex Domain (Redes de creencias profundas en C++ y Cuda C: Volumen 2: Autocodificación en el dominio complejo)

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 2 votos.

Título original:

Deep Belief Nets in C++ and Cuda C: Volume 2: Autoencoding in the Complex Domain

Contenido del libro:

Descubra los bloques de construcción esenciales de una forma común y potente de red de creencia profunda: el autoencoder. Llevará este tema más allá del uso actual extendiéndolo al dominio complejo para aplicaciones de procesamiento de señales e imágenes. Deep Belief Nets in C++ and CUDA C: Volume 2 también cubre varios algoritmos para el preprocesamiento de datos de series temporales e imágenes. Estos algoritmos se centran en la creación de predictores de dominio complejo adecuados para la entrada de un autoencoder de dominio complejo. Por último, aprenderá un método para incrustar información de clase en la capa de entrada de una máquina de Boltzmann restringida. Esto facilita la visualización generativa de muestras de clases individuales en lugar de toda la distribución de datos. La capacidad de ver las características que el modelo ha aprendido para cada clase por separado puede ser muy valiosa.

En cada paso, este libro le proporciona una motivación intuitiva, un resumen de las ecuaciones más importantes relevantes para el tema y un código altamente comentado para el cálculo por hilos en CPU modernas, así como para el procesamiento paralelo masivo en ordenadores con tarjetas de visualización de vídeo compatibles con CUDA.

Lo que aprenderá

⬤ Código para aprendizaje profundo, redes neuronales e IA utilizando C++ y CUDA C.

⬤ Llevar a cabo el preprocesamiento de señales utilizando transformaciones simples, transformadas de Fourier, ondículas de Morlet, etc.

⬤ Utilizar la transformada de Fourier para el preprocesamiento de imágenes.

⬤ Implementar la autocodificación mediante activación en el dominio complejo.

⬤ Trabajar con algoritmos para el cálculo de gradientes en CUDA.

⬤ Utilizar el manual de instrucciones de DEEP.

A quién va dirigido este libro

Aquellos que tengan al menos conocimientos básicos de redes neuronales y algo de experiencia previa en programación, aunque se recomienda algo de C++ y CUDA C.